Informační vědy - Komplexní studijní materiál

Informační vědy komplexně (podcast)

Celý soubor je ke stažení zde:

 

https://www.datovazurnalistika.cz/wp-content/uploads/2024/02/ISKM03-esej-Katerina-Mahdalova-543997-final.pdf

Informační vědy představují fascinující a komplexní obor, který se nachází na průsečíku mnoha disciplín. Představte si svůj obyčejný den. Ráno se probudíte a možná si přečtete zprávy na telefonu. Pak možná vyhledáte recept na snídani, posloucháte hudbu přes streamovací službu, navigujete se do práce pomocí GPS, posíláte e-maily, používáte různé aplikace. Všechny tyto každodenní aktivity jsou součástí obrovského a fascinujícího světa, kterému říkáme informační vědy.

Než půjdeme dál, musíme si ujasnit základní pojem – informace. Informace nejsou jen “data” nebo “fakta”. Informace má smysl pouze v kontextu. Když vidíte číslo “25”, samo o sobě vám nic neříká. Ale když víte, že je to teplota v Celsiových stupních, věk nějaké osoby, nebo cena nějakého produktu, stává se z toho informace.

Informace má ale více definic podle různých perspektiv:

1. Technická definice informace

Technická definice vychází z matematické teorie informace Clauda Shannona z roku 1948. Podle této definice je informace množství nejistoty, které zpráva odstraňuje. Informace se měří v bitech – základní jednotce, která reprezentuje volbu mezi dvěma stejně pravděpodobnými možnostmi.

Shannonova teorie se zaměřuje na efektivní přenos signálů a komprese dat. Informace zde není závislá na významu zprávy, ale pouze na její statistické pravděpodobnosti. Čím méně pravděpodobná je zpráva, tím více informace obsahuje. Například zpráva “zítra bude svítit slunce” obsahuje méně informace než “zítra bude sněžit v červenci”.

Tato definice je klíčová pro technologické systémy – počítače, telekomunikace, komprese dat. Umožňuje měřit kapacitu komunikačních kanálů a optimalizovat přenos dat.

Kognitivní přístup se zaměřuje na to, jak lidé zpracovávají informace a jak informace mění jejich znalosti a porozumění světu. Podle této definice je informace to, co snižuje nejistotu a zvyšuje porozumění.

Klíčové je, že stejná zpráva může mít různou informační hodnotu pro různé lidi v závislosti na jejich předchozích znalostech. Zpráva “Einstein objevil teorii relativity” má jinou informační hodnotu pro fyzika než pro laika. Pro fyzika může být důležité datum nebo kontext objevu, zatímco pro laika může být informací už samotný fakt existence této teorie.

Kognitivní přístup zahrnuje procesy jako pozornost, paměť, učení a rozhodování. Zkoumá, jak lidé vyhledávají informace, jak je interpretují a jak je začleňují do svých mentálních modelů světa.

Sociální perspektiva chápe informace jako sociální konstrukt, který vzniká v interakci mezi lidmi a je formován kulturním a společenským kontextem. Informace neexistuje samostatně, ale je vždy zasazena do sociálních vztahů, mocenských struktur a kulturních významů.

Podle této definice není důležité jen to, co je řečeno, ale kdo to říká, komu, kde a za jakých okolností. Například stejná statistika o nezaměstnanosti může být interpretována různě v závislosti na tom, zda ji prezentuje vládní úředník, opoziční politik nebo nezávislý analytik.

Sociální přístup se zabývá otázkami jako: Kdo má přístup k informacím? Kdo rozhoduje o tom, co je důležité? Jak se informace šíří v různých sociálních skupinách? Jak digitální technologie mění sociální aspekty informací?

Komplexní přístup uznává, že informace má současně technické, kognitivní i sociální dimenze a snaží se je integrovat. Tato perspektiva je charakteristická pro moderní informační vědy.

Komplexní definice bere v úvahu celý kontext informačního procesu – od technologických systémů, které informace přenášejí a zpracovávají, přes kognitivní procesy jednotlivců, kteří je interpretují, až po sociální struktury, které determinují, jaké informace jsou dostupné a jak jsou využívány.

Například při analýze vyhledávání informací na internetu musíme uvažovat technické aspekty (algoritmy vyhledávačů, struktura webových stránek), kognitivní aspekty (jak lidé formulují dotazy, jak hodnotí relevanci výsledků) i sociální aspekty (jaké informace jsou digitalizovány, kdo má přístup k internetu, jak kulturní kontext ovlivňuje interpretaci).

Tato komplexní perspektiva pomáhá pochopit, proč různé skupiny lidí mohou mít velmi odlišné informační potřeby a chování, i když používají stejné technologie.

Informační vědy se tedy nezabývají jen technologiemi nebo jen lidmi, ale především vztahy mezi lidmi a informacemi. Zkoumají, jak lidé hledají informace, jak je hodnotí, používají, sdílejí a jak technologie tyto procesy ovlivňují.

Vznik a historické kořeny informačních věd

Původní zaměření a současné hranice oboru

Informační vědy mají své kořeny v přirozeným vědách. Původně se informační vědě věnovali především přírodní vědci, kteří čelili rostoucímu množství vědeckých publikací a potřebovali lepší nástroje pro jejich organizaci a vyhledávání. Tito vědci si uvědomovali, že tradiční metody katalogizace a organizace informací nestačí na zvládnutí exponenciálně rostoucího množství vědeckých poznatků.

V současnosti jsou rozsahy a hranice informační vědy rozporuplné a předmětem neustálých diskusí. Určení hranic závisí na odpovědích na určité filozofické otázky. Nejznámějším příkladem je Capurrovo trilema, které formuloval Rafael Capurro. Toto trilema se ptá na tři základní otázky:

  1. Co je informace? – Je to fyzikální jev, mentální konstrukt, nebo sociální fenomén?
  2. Jak se informace vztahuje k realitě? – Odráží realitu, nebo ji konstruuje?
  3. Jaká je role technologie v informačních procesech? – Je technologie pouhý nástroj, nebo aktivní účastník tvorby významu?

Odpovědi na tyto otázky fundamentálně ovlivňují to, jak definujeme hranice a cíle informační vědy.

Informační přetížení jako historický problém

Informační věda se v současnosti často hlásí k tomu, že chce řešit informační přetížení – aktuálně často skloňovaný pojem, který je však velmi starý. Informační přetížení není novým jevem digitálního věku, ale provází lidstvo od počátků písemné kultury.

Již po vynálezu knihtisku v 15. století si lidé stěžovali, že knih vychází tolik, že se nedají přečíst a začínají se v nich “topit”. Conrad Gessner, švýcarský přírodovědec, v roce 1545 napsal o “nepřehledném a matoucím množství knih”, které představuje překážku pro učence. Podobné stesky najdeme v každém století – lidé se vždy cítili zahlceni dostupnými informacemi.

Francouzský filosof Denis Diderot v 18. století napsal: “Dokud budou století přibývat na století, počet knih poroste nekonečně, a lze předpovědět, že přijde čas, kdy bude stejně obtížné se něco naučit z knih, jako z přímého studia celého vesmíru.”

Informační věda jako servisní disciplína

Informační věda je někdy vnímána jako servisní věda – disciplína, která se snaží pomáhat ostatním oborům v jejich fungování. Tato role zahrnuje:

Dohledávání informací – informační odborníci pomáhají vědcům z jiných oborů najít relevantní literaturu a zdroje pro jejich výzkum. Jsou to specializovaní “lovci informací”, kteří znají postupy efektivního vyhledávání v různých databázích a systémech.

Nastavování hodnotících nástrojů – například vývoj konceptu relevance informace. Informační vědci vyvinuli teoretické rámce a praktické nástroje pro hodnocení kvality a užitečnosti informací pro konkrétní účely.

Přebírání a přeskládávání – informační věda přebírá metody a nástroje z jiných oborů (statistika, psychologie, informatika, sociologie) a na základě jejich “přeskládávání” objevuje nové přístupy a nástroje. Například metody síťové analýzy převzala ze sociologie a aplikovala na citační sítě.

Základní součásti oboru podle Lorenze

Německý informační vědec Bernd Lorenz identifikoval dvě základní součásti oboru:

1. Získávání informací (Information Retrieval) – tato oblast se zabývá návrhem systémů a algoritmů pro efektivní vyhledávání informací. Zahrnuje indexování dokumentů, návrh vyhledávacích dotazů, hodnocení relevance výsledků a optimalizaci vyhledávacích algoritmů.

2. Zpracování informací – tato oblast zahrnuje klasifikační systémy a taxonomie, tedy způsoby organizace a strukturování informací tak, aby byly snadno nalezitelné a použitelné. Příkladem jsou knihovní klasifikační systémy, předmětová hesla nebo moderní ontologie.

Co jsou to "i-školy" a proč vznikly?

Představ si tento příběh:

Rok 1980: Studenti knihovnictví se učí:

  • Jak třídit knihy podle katalogů
  • Jak vést kartotéky
  • Jak pomáhat lidem najít knihu v knihovně
  • Kde jsou které informace fyzicky uložené

Rok 2000: Internet všechno změnil:

  • Informace jsou všude, ne jen v knihovnách
  • Lidé hledají hlavně online
  • Firmy potřebují specialisty na databáze, not knihovníky
  • Studenti knihovnictví nemají práci

Co udělaly univerzity?

Místo “School of Library Science” začaly zakládat “i-Schools” (information schools = informační školy).

Změnily název, ale hlavně obsah!

Staré knihovnictví:

🏛️ Místo: Knihovna
📚 Zaměření: Knihy a dokumenty
🔍 Problém: Jak organizovat a najít konkrétní knihu
👤 Uživatel: Čtenář, student
⚙️ Nástroje: Katalogy, kartotéky, regály

Moderní i-škola:

🌐 Místo: Kdekoliv (online, mobilní aplikace, databáze)
💾 Zaměření: Jakákoliv informace (data, videa, obrázky, zvuky)
🧠 Problém: Jak se orientovat v zahlcení informacemi
👥 Uživatel: Úplně každý (od dětí po seniory, firmy, vlády)
🤖 Nástroje: Algoritmy, umělá inteligence, design aplikací

 

1. UX Designer (User Experience)

Co dělá: Navrhuje, jak mají vypadat aplikace, aby byly intuitivní
Příklad: Proč je Instagram snadný na ovládání, ale některé státní weby jsou děsné?
Souvislost s informacemi: Pomáhá lidem snadno najít a použít informace

2. Data Scientist

Co dělá: Analyzuje velká množství dat a hledá v nich vzorce
Příklad: Netflix ti doporučuje filmy na základě toho, co jsi už viděl/a
Souvislost s informacemi: Transformuje surová data na užitečné poznání

3. Information Architect

Co dělá: Organizuje informace tak, aby dávaly smysl
Příklad: Struktura webu, kde rychle najdeš to, co hledáš
Souvislost s informacemi: Moderní verze knihovníka pro digitální svět

4. Cybersecurity Specialist

Co dělá: Chrání důležité informace před hackers
Příklad: Zajišťuje, aby ti nikdo neukradl data z bankovní aplikace
Souvislost s informacemi: Bezpečnost informací je dnes klíčová

5. Digital Archivist

Co dělá: Uchovává digitální kulturu pro budoucí generace
Příklad: Jak zachovat tweety, videa, hry pro historiky za 100 let?
Souvislost s informacemi: Digitální verze tradičního archivnictví

 

“i” neznamená jen “information”, ale spojuje tři klíčové oblasti:

🧑 PEOPLE (Lidé)

  • Jak lidé vyhledávají informace?
  • Proč někdo věří fake news a jiný ne?
  • Jak naučit děti poznávat kvalitní zdroje?
  • Co dělá aplikaci přívětivou pro seniory?

💾 INFORMATION (Informace)

  • Jak organizovat obrovské množství dat?
  • Jak překládat složité informace do srozumitelné podoby?
  • Jak zajistit, aby důležité informace nepřišly nazmar?
  • Jak poznat kvalitní zdroj od nekvalitního?

🤖 TECHNOLOGY (Technologie)

  • Jak navrhnout algoritmus, který není zaujatý?
  • Jak vytvořit databázi, kterou zvládne používat každý?
  • Jak ochránit soukromí při sdílení dat?
  • Jak udělat technologie dostupné i pro lidi se zdravotním postižením?

Vennův diagram – srdce i-škol

 
     LIDÉ          TECHNOLOGIE
        \              /
         \            /
          \          /
      INFORMACE + SPOLEČNOST

i-školy se zaměřují na průsečík všech tří oblastí:

Nestudují jen programování (to je informatika).
Nestudují jen psychologii (to je psychologie).
Nestudují jen knihy (to je knihovnictví).

Studují, jak tyto tři oblasti ovlivňují jedna druhou.

 

Interdisciplinarita = různé obory spolupracují

Příklad: Tým na datovém projektu:

  • Programátor napíše kód
  • Statistik analyzuje data
  • Grafik vytvoří vizualizaci
  • Novinář napíše článek

Každý zůstává ve svém oboru, ale spolupracují.

Transdisciplinarita = vzniká něco nového, co nelze zařadit do tradičních oborů

Příklad: “Datový novinář”

  • Není to čistý novinář (musí umět programovat)
  • Není to čistý programátor (musí umět psát)
  • Není to čistý statistik (musí rozumět společenským dopadům)
  • Je to nová profese, která kombinuje všechno

i-školy vytvářejí transdisciplinární specialisty.

Proč se tradičními “Library Schools” změnily na i-školy?

1. Exponenciální růst digitálních informací

  • V roce 1990: Většina informací v knihách a časopisech
  • V roce 2020: Méně než 2% všech informací je na papíře
  • Potřebujeme specialisty na digitální informace

2. Nové typy problémů

Před internetem: Problém byl najít informaci
Po internetu: Problém je vybrat tu správnou z tisíců možností

3. Rozšíření uživatelů

Dříve: Služby knihovníka využívali hlavně studenti a výzkumníci
Dnes: Informační problémy má každý (od babičky na Facebooku po CEO firmy)

4. Nové technologie vyžadují nové dovednosti

  • Umělá inteligence
  • Velká data (Big Data)
  • Algoritmy a jejich vliv na společnost
  • Mobilní aplikace a jejich psychologické dopady

Co konkrétně studují na i-školách?

Povinné základy:

  1. Teorie informace – Co to vlastně je “informace”?
  2. Lidské chování – Jak lidé hledají a používají informace?
  3. Technologie – Jak fungují databáze, algoritmy, sítě?
  4. Etika – Co se smí a nesmí s informacemi?
  5. Výzkumné metody – Jak testovat, jestli náš systém funguje?

Specializace (vybereš si jednu nebo dvě):

  • Knihovnictví (tradiční, ale modernizované)
  • UX/UI Design (design aplikací a webů)
  • Data Science (analýza velkých dat)
  • Information Security (kyberbezpečnost)
  • Digital Preservation (dlouhodobé uchovávání digitálních dokumentů)
  • Health Informatics (informační systémy ve zdravotnictví)
  • Information Policy (zákony a pravidla kolem informací)

Proč je tohle důležité pro společnost?

Problémy, které i-školy řeší:

🚫 Fake News a dezinformace

Problém: Lidé nevědí, čemu věřit
Řešení: Učit informační gramotnost, navrhovat systémy pro ověřování faktů

🔐 Soukromí a surveillance capitalism

Problém: Firmy zneužívají naše data
Řešení: Navrhovat etické algoritmy, zákonodárství o ochraně dat

⚖️ Algoritmická spravedlnost

Problém: AI systémy diskriminují menšiny
Řešení: Testovat algoritmy na zkreslení, zavádět různorodost do týmů

🌍 Digital divide (digitální propast)

Problém: Ne každý má stejný přístup k technologiím
Řešení: Navrhovat inkluzivní systémy, vzdělávat v digitálních dovednostech

🏛️ Digitální archivnictví

Problém: Jak zachovat naši digitální kulturu?
Řešení: Vyvíjet metody pro dlouhodobé uchovávání digitálních dokumentů

Případová studie: Proč i-školy vznikly

Univerzita v roce 1995:

“School of Library and Information Science”

  • 200 studentů
  • 90% jde pracovat do knihoven
  • Kurzy: Katalogizace, Reference services, Dějiny knihoven

Univerzita v roce 2005:

Problém: Málo studentů, knihovny propouštějí
Řešení: Přejmenování na “Information School”

  • 300 studentů
  • 30% jde do knihoven, 70% do tech firem, státní správy, neziskovek
  • Nové kurzy: UX Design, Data Mining, Information Security

Univerzita v roce 2015:

“i-School”

  • 500 studentů
  • 10% tradičních knihovníků, 90% nových profesí
  • Kurzy: AI Ethics, Human-Computer Interaction, Digital Governance

Výzvy i-škol

Pozitiva:

✅ Studenti mají skvělé pracovní vyhlídky
✅ Řeší aktuální společenské problémy
✅ Propojují humanitní a technické myšlení
✅ Připravují lidi na budoucnost práce

Problémy:

❌ Identity crisis – Nejasné, co přesně studují
❌ Fragmentace – Příliš mnoho specializací
❌ Hodnocení výzkumu – Těžko publikovat v tradičních časopisech
❌ Náklady – Interdisciplinární výuka je dražší

Závěr: Proč je tohle důležité?

i-školy reprezentují odpověď na fundamentální změnu společnosti:

Před internetem:

Informace byly vzácné → problém byl je najít

Po internetu:

Informace jsou všude → problém je se v nich orientovat

i-školy učí lidi, jak navigovat v informačním světě zodpovědně, eticky a efektivně.

Praktický dopad pro tvůj život:

Když používáš:

  • Google → někdo z i-školy navrhl algoritmus vyhledávání
  • Instagram stories → někdo z i-školy testoval, jak design ovlivňuje chování
  • Netflix doporučení → někdo z i-školy analyzoval data o divácích
  • Bankovní aplikaci → někdo z i-školy navrhl bezpečnostní protokoly
  • Online nákupy → někdo z i-školy optimalizoval uživatelský zážitek

i-školy vytvářejí specialisty, kteří tvoří digitální svět, ve kterém žiješ.

A to je důvod, proč je informační věda dnes jedna z nejrychleji rostoucích oblastí studia na světě.

Vannevar Bush a vize MEMEX (1945)

Článek “As We May Think”

V roce 1945 publikoval americký inženýr a vědec Vannevar Bush v časopise The Atlantic Monthly článek s názvem “As We May Think” (Jak myslíme). Tento článek je považován za základní text moderní informační vědy. Bush v něm reagoval na problém exponenciálního růstu vědecké literatury, který pozoroval během druhé světové války.

Bush si uvědomil, že tradiční metody organizace informací – kartotéky, knihovní katalogy, lineární indexy – nebudou stačit na zvládnutí rostoucího množství informací. Potřeboval nový přístup, který by odpovídal způsobu, jakým lidé skutečně myslí a spojují myšlenky.

MEMEX: Hypotetický stroj pro rozšíření paměti

Bush navrhl hypotetický stroj nazvaný MEMEX (Memory Extender – rozšiřovač paměti). MEMEX byl navržen jako:

“Zařízení, v němž uživatel ukládá veškeré své knihy, záznamy a komunikační vazby a které je automatizováno tak, aby mohlo být rychle a flexibilně používáno.”

MEMEX představoval specifickou formu hypertextu – systém propojených informací, kde uživatel může rychle přecházet mezi souvisejícími dokumenty prostřednictvím asociativních odkazů. Bush popsal MEMEX jako:

  • Mechanické zařízení připomínající psací stůl s průhlednými obrazovkami
  • Mikrofilmové úložiště schopné pojmout tisíce knih a dokumentů
  • Systém odkazů umožňující rychlé spojování souvisejících informací
  • Osobní nástroj přizpůsobený individuálním myšlenkovým postupům uživatele

Odpověď na dvojí problém

MEMEX byl Bushovou odpovědí na dvojí problém:

1. Problém literatury – jak zvládnout rostoucí množství publikovaných textů a najít v nich relevantní informace.

2. Problém informačních systémů – jak navrhnout systémy, které budou odpovídat způsobu lidského myšlení, místo toho aby nutily lidi přizpůsobit se mechanickým postupům.

Inspirace Goldbergovým patentem

Bush stavěl na Goldbergově patentu – návrhu stroje na rychlé vyhledávání, který byl překvapivě publikován v časopisu o hudbě. Goldbergův stroj používal mechanické principy pro rychlé vyhledávání v kartotékách. Bush nikde přímo neuvádí, že by z něj čerpal, ale principy jsou podobné.

Historický dopad

Práce a bádání v informační vědě a využívání technologií k řešení jejích problémů začaly až po publikaci Bushova článku. “As We May Think” inspiroval celou generaci vědců a inženýrů, včetně Douglase Engelbarta (vynálezce myši), Teda Nelsona (tvůrce termínu “hypertext”) a Tima Berners-Leeho (tvůrce World Wide Web).

Paul Otlet: Zapomenutý průkopník (1868-1944)

Objev Otletova odkazu

Podle britského informačního vědce Boyda Raywarda byl hypertextový systém realizován mnohem dříve než Bushův MEMEX, a to v práci zapomenutého belgického vizionáře Paula Otleta. Otlet vytvořil Mezinárodní desetinné třídění (MDT), které představovalo komplexní systém, který v mnoha ohledech předvídal moderní hypertext.

Kdo byl Paul Otlet?

Paul Otlet byl belgický právník a bibliograf, který je spolu s Henri La Fontainem (nositel Nobelovy ceny míru za rok 1913) považován za zakladatele dokumentační vědy. Společně pracovali v Mezinárodním bibliografickém ústavu v Bruselu a vytvářeli bibliografie pro odborníky z různých oborů.

Vize světového míru prostřednictvím informací

Veškerá Otletova činnost směřovala k tvorbě míru. Věřil, že správná organizace a zpřístupnění lidského poznání může přispět k porozumění mezi národy a předcházení válkám. Jeho práce měla explicitně pacifistické cíle – chtěl vytvořit “mozek světa”, kde by byly všechny lidské znalosti propojené a dostupné všem.

Tragicky, celou jeho práci na konci jeho života zničili Němci během druhé světové války. Mundaneum bylo vyprázdněno a dokumenty byly zničeny nebo rozptýleny.

Bibliografický ústav a Mezinárodní desetinné třídění

Otlet začal budovat bibliografický ústav s cílem vytvořit univerzální bibliografii lidského poznání. Prosadil Mezinárodní desetinné třídění (MDT), které bylo užíváno knihovnami, ale původně to pro ně určeno nebylo – mělo to být organizačním nástrojem pro rychlé vyhledání nových poznatků napříč všemi obory.

MDT vychází z Deweyho desetinného systému, ale Otlet ho významně rozšířil a zpřesnil. Zatímco MDT se rozšiřuje nejvíce po evropském kontinentu, v USA a Anglii přetrvává původní Deweyho systém.

Revoluce v chápání dokumentu

Otlet se rozhodl, že “rozbije” tradiční knihu. Nezajímaly ho knihy jako jednotky – základní jednotkou se pro něj stalo faktum. Navrhoval uspořádávání faktů podle MDT, nikoli podle knih. Tento přístup předpovídal moderní způsoby práce s informacemi, kde si lidé vybírají konkrétní informace z různých zdrojů.

Fazetová klasifikace jako předchůdce hypertextu

Otlet spojoval MDT s fazetovou klasifikací, což je systém, který umožňuje organizovat informace podle různých, vzájemně nezávislých kategorií (fazet). To umožňuje flexibilní a vícedimenzionální řazení a kombinování témat.

Fazetová klasifikace funguje následovně:

  • Místo jedné lineární kategorie má každý dokument více “fazet” (aspektů)
  • Například kniha o “francouzské renesanční architektuře” má fazety: místo (Francie), čas (renesance), předmět (architektura)
  • Uživatel může vyhledávat kombinací různých fazet
  • To umožňuje objevování nečekaných souvislostí

Tento přístup je v kontrastu s tradiční lineární klasifikací, kde je každá položka zařazena do jedné pevně dané kategorie.

Technologické vize

Otlet prosazoval  multimediální nosiče dlouho před jejich technickou realizací. Popisoval elektronickou knihu v rámci tehdy dostupných technologií – představoval si mechanická zařízení s obrazovkami, kde by se zobrazovaly texty, obrázky i pohyblivé obrazy.

Mundaneum jako prototyp internetu

Otlet vytvořil první prototyp dnešního internetu, který byl realizován na kartičkové technologii. Mundaneum obsahovalo:

  • 15 milionů kartičkových záznamů propojených odkazy
  • Systém odkazů mezi souvisejícími záznamy
  • Vzdálené vyhledávání – lidé mohli posílat dotazy poštou a dostávali zpět relevantní informace
  • Kolaborativní tvorbu – experti z celého světa přispívali záznamy

 

Odkaz Paula Otleta

Otlet předvídal mnoho prvků moderní informační společnosti:

  • Hypertext a propojené dokumenty
  • Vzdálený přístup k informacím
  • Multimediální dokumenty
  • Kolaborativní tvorbu obsahu
  • Síťovou strukturu informací

Jeho práce ukazuje, že základní myšlenky informačních věd vznikaly nezávisle na technologickém pokroku – byla to především vize o tom, jak by informace měly být organizovány a zpřístupněny pro dobro lidstva.

 

1. Informační vědy na rozhraní transdisciplinarity

Základní pojmy: od disciplinarity k transdisciplinaritě

Abychom pochopili pozici informačních věd, musíme si vyjasnit, co znamenají pojmy disciplinarita, interdisciplinarita a transdisciplinarita.

Disciplinarita znamená práci v rámci jednoho oboru. Chemik se zabývá chemií, historik historií. Každý obor má své metody, terminologii a způsoby myšlení. Disciplinární přístup umožňuje hluboké porozumění konkrétní oblasti, ale může vést k izolaci a fragmentaci poznání.

Multidisciplinarita znamená, že na jednom problému pracují odborníci z různých oborů, ale každý používá své vlastní metody a postupy. Představte si týmovou léčbu pacienta – lékař, psycholog, fyzioterapeut a sociální pracovník pracují společně, ale každý ze své perspektivy. Výsledek je součtem jednotlivých příspěvků, ale nedochází k hlubší integraci.

Interdisciplinarita jde dál – různé obory skutečně integrují své koncepty, metody a terminologii. Vzniká něco nového, co není jen součtem jednotlivých částí. Příkladem je biochemie, která spojuje biologii a chemii do nové disciplíny s vlastními metodami a teoriemi.

Transdisciplinarita představuje nejvyšší stupeň – překračuje hranice jednotlivých oborů a hledá univerzální principy, které platí napříč různými oblastmi. Například teorie systémů nebo kybernetika aplikují stejné principy na technické systémy, biologické organismy i sociální struktury.

Informační vědy jako transdisciplinární obor

Informační vědy jsou výrazně transdisciplinární. Proč? Protože problémy s informacemi se objevují všude:

V lékařství je otázka, jak najít nejnovější výzkumy o léčbě a jak organizovat zdravotnické záznamy. V byznysu je potřeba analyzovat data o zákaznících a sdílet znalosti v organizaci. Ve vědě jde o publikování výsledků a nalezení relevantní literatury. V každodenním životě hledáme spolehlivé informace o zdraví a snažíme se orientovat v záplavě zpráv a dezinformací.

Historický vývoj k transdisciplinaritě

Historicky informační vědy začínaly jako knihovnictví – disciplína zaměřená na organizaci a zpřístupnění knih. Postupem času se rozšiřovaly:

Knihovnictví v 19. století se zaměřovalo na organizaci knih a dokumentů. Dokumentalistika na začátku 20. století, kdy Paul Otlet organizoval všechny typy dokumentů a vytvořil vizi univerzální bibliografie. Informační věda v 50. letech 20. století vznikla pod vlivem kybernetiky a počítačů. Informační studia v 80. letech přinesla širší pohled zahrnující sociální aspekty. iSchools movement od roku 2005 představuje plně transdisciplinární přístup.

Výzvy transdisciplinarity

Transdisciplinární přístup přináší výhody, ale také výzvy. Mezi výhody patří komplexní pohled na problémy, inovativní řešení vznikající na rozhraní oborů a lepší porozumění reálným problémům.

Výzvy zahrnují obtížnou komunikaci mezi odborníky z různých oborů, protože každý používá jinou terminologii a metodologii. Problémy s publikováním – kam publikovat transdisciplinární výzkum, když časopisy jsou často úzce specializované? Obtížné získávání financí, protože se nevejde do tradičních kategorií grantových agentur. Hodnocení kvality výzkumu je složité, když neexistují jasná kritéria pro transdisciplinární práci.

Příklady transdisciplinárního přístupu

Digital Humanities spojují informatiku s humanitními obory. Historici používají síťovou analýzu k mapování korespondenční komunikace ve středověku, literární vědci analyzují texty pomocí algoritmů strojového učení a archeologové využívají 3D modelování pro virtuální rekonstrukce.

Health Informatics kombinuje medicínu, informatiku a management k zlepšení zdravotní péče prostřednictvím lepšího využití informací. Zahrnuje elektronické zdravotní záznamy, telemedicínu a analýzu zdravotních dat.

Data Science integruje statistiku, informatiku, domain expertise a komunikační dovednosti k extrakci poznatků z dat. Aplikuje se v oblastech od marketingu po vědecký výzkum.

 

2. Od technologizace společnosti k socializaci technologií

Technologizace společnosti

Technologizace společnosti je proces, kdy technologie pronikají do všech aspektů lidského života a společnosti. Tento proces probíhá ve vlnách:

První vlna industriální revoluce přinesla mechanizaci výroby, parní stroje a továrny. Změnila způsob práce a život v městech. Druhá vlna ve 20. století znamenala elektřinu, automobily, letadla, rádio a televizi. Transformovala komunikaci a mobilitu. Třetí vlna digitální revoluce přinesla počítače, internet a mobilní telefony. Revolucionizovala zpracování informací. Čtvrtá vlna současnosti zahrnuje umělou inteligenci, internet věcí a big data. Mění způsob rozhodování a automatizuje mnoho procesů.

Technologický versus sociální determinismus

Dlouho se vedla debata o tom, co řídí vztah mezi technologií a společností. Technologický determinismus tvrdí, že technologie determinuje způsob svého používání. Podle této teorie má technologie vlastní logiku a společnost se jí musí přizpůsobit. Například “Internet mění způsob, jak komunikujeme.”

Sociální determinismus naopak tvrdí, že společnost používá technologie jak chce, a sama o sobě technologie nemá žádnou roli. Podle této teorie si lidé technologie přizpůsobují svým potřebám a kulturním kontextům.

Socio-technické systémy: třetí cesta

Výzkum na Tavistockém institutu v 50. letech ukázal, že realita je složitější. Technologie a společnost se vzájemně ovlivňují. Vznikl koncept socio-technických systémů.

Klasický příklad je důl na uhlí. Tradiční způsob znamenal, že malé týmy horníků pracovaly úzké porubné stěny krumpáči. Měli silné sociální vazby a flexibilní role. Nová technologie s dlouhými stěnami s mechanizovanou těžbou vyžadovala specializované role a koordinaci mezi směnami.

Problém byl v tom, že nová technologie zvýšila produktivitu, ale narušila sociální systém. Lidé nezvládali koordinaci, často se stávalo, že stroje stály. Řešení spočívalo v redesignu sociálního systému – vytvoření nových rolí, lepší komunikace mezi směnami a zachování některých tradičních sociálních vazeb.

Socializace technologií

Socializace technologií je proces, kdy technologie nejsou jen vnucovány shora, ale jsou přizpůsobovány sociálním potřebám a kontextu. Lidé nejsou pasivní příjemci technologií, ale aktivní aktéři, kteří je interpretují, modifikují a používají podle svých potřeb.

Příklady socializace technologií:

Twitter byl původně navržen pro sdílení krátkých statusů – “co právě dělám”. Uživatelé ho ale začali používat pro novinky, politickou diskuzi, organizování protestů. Symbol @ pro označení uživatelů a # pro hashtags nevymysleli tvůrci, ale sami uživatelé.

SMS zprávy byly původně zamýšleny jako vedlejší funkce pro techniky. Mladí lidé je ale začali používat pro komunikaci, což vedlo k obrovskému nárůstu jejich popularity a změnilo způsob komunikace.

Wikipedia představuje radikálně jiný model tvorby encyklopedie založený na crowdsourcingu, který by nebyl možný bez socializace technologií internetu.

Role informačních věd v socializaci technologií

Informační vědy hrají klíčovou roli v pochopení a navrhování socializace technologií:

User Experience Design se ptá, jak navrhovat technologie tak, aby odpovídaly skutečným potřebám lidí. Information Architecture řeší, jak organizovat informace tak, aby byly pro lidi smysluplné. Human-Computer Interaction studuje a zlepšuje interakci mezi lidmi a technologiemi. Digital Divide se zabývá tím, jak zajistit, aby technologie neprohlubovaly sociální nerovnosti.

Teorie činností

Jedna z klíčových teorií pro pochopení socializace technologií pochází z ruské psychologie. Teorie činností se zaměřuje na to, jak lidé používají nástroje včetně technologií k dosažení svých cílů.

Základní model ukazuje vztah mezi subjektem, nástrojem, objektem a výsledkem. Rozšířený model zahrnuje sociální kontext s pravidly, komunitou a dělbou práce. Tento model ukazuje, že použití technologie není jen individuální akt, ale je zasazeno do sociálního kontextu komunit, pravidel a dělby práce.

Příklad aplikace na vyhledávání informací ukazuje rozdíl mezi tradičním pohledem, kde člověk zadá dotaz do vyhledávače a dostane výsledky, a pohledem teorie činností, kde subjekt student používá nástroj Google Scholar v kontextu komunity akademické prostředí podle pravidel jak citovat a co je věrohodný zdroj s dělbou práce kde knihovníci pomáhají s rešeršemi k transformaci objektu dostupné informace ve výsledek napsaná seminární práce.

Technostres: když socializace selhává

Ne všechny technologie jsou úspěšně socializovány. Technostres je forma stresu způsobená neschopností vyrovnat se s technologiami zdravým způsobem.

Formy technostresu zahrnují technopřetížení – simultánní příliv informací, multitasking, tlak na rychlejší práci. Techno-invaze – připojení 24/7, rozmazání hranic mezi prací a volným časem. Techno-složitost – nutnost neustále se učit nové systémy. Techno-ohrožení – strach, že technologie nahradí lidskou práci. Techno-nejistota – stres z neustálých změn a aktualizací.

Design pro úspěšnou socializaci

Jak navrhovat technologie tak, aby byla jejich socializace úspěšná? User-Centered Design znamená začít potřebami uživatelů, ne technologickými možnostmi. Participatory Design zahrnuje zapojení uživatelů do procesu navrhování. Iterativní design vyžaduje neustále testování a vylepšování na základě zpětné vazby. Kulturní senzitivita respektuje různé kulturní kontexty. Etický design uvažuje o dlouhodobých sociálních dopadech.

3. Role dat ve vědě

Co jsou data?

Než budeme mluvit o roli dat ve vědě, musíme si ujasnit, co vlastně data jsou. Toto není tak triviální otázka, jak se může zdát. Tradiční definice říká, že data jsou fakta nebo čísla, která můžeme měřit, shromažďovat a analyzovat.

Realita je složitější – data nejsou něco, co existuje “tam venku” nezávisle na nás. Data vznikají v procesu pozorování a záznamu. Když geolog měří tvrdost horniny, vytváří data. Když sociolog dělá rozhovor, také vytváří data.

Důležité je si uvědomit několik klíčových bodů: Data nejsou neutrální – způsob, jak data shromažďujeme, ovlivňuje to, co zjistíme. Data nejsou fakta – data jsou reprezentace reality, ne realita sama. Data mají kontext – stejná data mohou znamenat různé věci v různých kontextech.

Historický vývoj role dat ve vědě

Předmoderní věda do 17. století byla založena především na pozorování a logickém uvažování. Data v moderním smyslu neexistovala.

Začátek moderní vědy v 17. až 18. století přinesl Galilea, Newtona a další, kteří začali systematicky měřit a zaznamenávat pozorování. Vznikla experimentální metoda.

19. století přineslo statistickou revoluci – rozvoj statistiky umožnil práci s většími množstvími dat. Darwin shromažďoval obrovské množství pozorování k podpoře teorie evoluce.

20. století znamenalo standardizaci vědecké metody podle schématu hypotéza → experiment → data → analýza → závěr.

21. století přináší Big Data revoluci s exponenciálním nárůstem množství dostupných dat. Někdy se mluví o “čtvrté paradigmatu vědy” – data-driven science.

Typy dat ve vědě

Podle původu rozlišujeme primární data shromážděná přímo výzkumníkem pro konkrétní výzkum a sekundární data shromážděná někým jiným pro jiný účel, ale znovu využitá.

Podle zpracování máme syrová data nezpracovaná přímo z přístrojů nebo pozorování, čištěná data po odstranění chyb a nesrovnalostí, agregovaná data sloučená nebo shrnuta z více zdrojů, a analyzovaná data po statistické nebo jiné analýze.

Podle kvality rozlišujeme velká data charakterizovaná 5 V – Volume (objem), Velocity (rychlost), Variety (rozmanitost), Veracity (věrohodnost), Value (hodnota), a malá data menší, ale často hlubší a kontextuálnější.

Životní cyklus dat

Data procházejí komplexním životním cyklem od vzniku po archivaci nebo likvidaci:

Plánování – jaká data budeme potřebovat a jak je získáme? Sběr – získávání dat pozorováním, experimenty, průzkumy. Zpracování – čištění, validace, transformace. Analýza – statistická analýza, modelování, vizualizace. Interpretace – vytváření smyslu z výsledků analýzy. Sdílení – publikování, prezentace, repozitáře. Archivace – dlouhodobé uchování pro budoucí použití. Likvidace – bezpečné smazání citlivých dat.

Krize reprodukovatelnosti a FAIR principy

Jedna z největších krizí současné vědy je krize reprodukovatelnosti. Mnoho vědeckých studií se nepodařilo zopakovat s podobnými výsledky. Příčiny zahrnují špatnou dokumentaci dat a metod, P-hacking (manipulaci s analýzou pro dosažení statistické významnosti), publikační bias (publikují se jen pozitivní výsledky), a nedostatečné sdílení dat.

Jako odpověď na tyto problémy vznikly FAIR principy pro data management:

Findable (nalezitelné) – data mají jednoznačné identifikátory a metadata. Accessible (přístupné) – data jsou dostupná prostřednictvím standardních protokolů. Interoperable (interoperabilní) – data používají standardní formáty a slovníky. Reusable (znovupoužitelné) – data mají jasné licence a dokumentaci.

Etické otázky práce s daty

Práce s daty vyvolává řadu etických otázek. Soukromí se ptá, jak chránit osobní údaje v datech. Consent řeší, zda lidé souhlasili s použitím svých dat k výzkumu. Vlastnictví se ptá, komu patří data – výzkumníkovi, instituci, subjektům výzkumu. Bias zkoumá, nejsou-li data zkreslená tak, že diskriminují určité skupiny.

Disciplinární rozdíly v přístupu k datům

Přírodní vědy kladou důraz na přesnost a replikovatelnost, mají standardizované formáty a protokoly a velké mezinárodní databáze jako GenBank pro genetiku nebo Protein Data Bank pro strukturní biologii.

Sociální vědy vykazují větší variabilitu metod sběru dat, důraz na kontext a interpretaci a etické otázky citlivějších dat o lidech.

Humanitní vědy tradičně používají kvalitativní přístup, Digital Humanities přinášejí kvantitativní metody a unikátní data jsou často nereprodukovatelná.

Data science jako nová disciplína

Data science vznikla jako odpověď na potřebu specializovaných dovedností pro práci s velkými a komplexními daty. Kombinuje statistiku a matematiku pro analýzu a modelování, informatiku pro zpracování a uložení dat, domain expertise – odborné znalosti v konkrétní oblasti, a komunikaci – schopnost vysvětlit výsledky ostatním.

Budoucnost dat ve vědě

Trendy, které formují budoucnost, zahrnují automatizaci sběru dat prostřednictvím senzorů, IoT a automatických experimentů. Machine learning a AI představují algoritmy, které mohou objevovat vzory v datech. Open science znamená otevřené sdílení dat a metod. Citizen science zapojuje veřejnost do sběru a analýzy dat. Výpočetní věda využívá simulace a modelování jako třetí pilíř vědy vedle teorie a experimentu.

Výzvy do budoucna zahrnují datovou gramotnost – potřebu vzdělávat vědce v práci s daty. Technologická infrastruktura vyžaduje výpočetní kapacity a úložiště pro big data. Standardizace potřebuje společné standardy pro sdílení dat. Udržitelnost se ptá, jak dlouhodobě financovat a udržovat datové repozitáře.

4. Informační podpora vědy

Definice a rozsah informační podpory vědy

Informační podpora vědy zahrnuje všechny systémy, služby a procesy, které pomáhají vědcům najít, využít a sdílet informace potřebné pro jejich výzkum. Jde o celý ekosystém od tradičních knihoven až po moderní digitální platformy, včetně lidských zdrojů, technologické infrastruktury a organizačních procesů.

Historický vývoj informační podpory vědy

Antika a středověk byly charakterizovány osobními sbírkami a klášterními knihovnami. Vědci (filozofové) měli vlastní rukopisy nebo měli přístup ke klášterním knihovnám. Informace se šířily pomalu a neúplně prostřednictvím kopírování rukopisů a osobní komunikace.

Renesance přinesla první vědecké společnosti. 17. století přináší první vědecké společnosti jako Royal Society v Londýně (1660) a Académie des Sciences v Paříži (1666). Začíná systematická výměna informací mezi vědci prostřednictvím korespondence a setkání.

18. až 19. století znamenalo vznik vědeckých časopisů. První vědecké časopisy Journal des sçavans a Philosophical Transactions (1665) vytvořily formální kanál pro sdílení výzkumu. Vznik systému peer review zajistil kontrolu kvality. Informace se šířily rychleji a systematičtěji.

20. století přineslo informační explozi. Exponenciální růst vědecké literatury vytvořil potřebu nových nástrojů pro organizaci a vyhledávání. Derek de Solla Price ukázal, že množství vědeckých publikací se zdvojnásobuje každých 15 let. Vznikaly abstraktové a referátové časopisy, citační indexy.

Současnost znamená digitální transformaci s internetem, databázemi, open access, preprint servery a sociálními sítěmi pro vědce.

Komponenty informační podpory vědy

Informační zdroje zahrnují primární zdroje (původní výzkumné články, knihy, konferenční příspěvky), sekundární zdroje (přehledy, abstrakty, citační databáze) a terciární zdroje (encyklopedie, příručky, učebnice). Rozdělujeme je také na formální kanály (časopisy, knihy, oficiální repozitáře) a neformální kanály (konference, semináře, osobní komunikace, sociální média).

Informační systémy obsahují knihovní katalogy (OPAC systémy pro vyhledávání knih a časopisů), bibliografické databáze (Web of Science, Scopus, PubMed), plnotextové databáze poskytující přístup k plným textům článků, institucionální repozitáře uchovávající výstupy konkrétní instituce a tematické repozitáře jako arXiv pro fyziku nebo bioRxiv pro biologii.

Vyhledávací nástroje zahrnují prosté vyhledávače jako Google Scholar nebo Microsoft Academic, specializované vyhledávače jako PubMed pro medicínu nebo IEEE Xplore pro techniku, a federované vyhledávání umožňující současné vyhledávání ve více databázích.

Analytické nástroje obsahují citační analýzu pro sledování citací a jejich dopadů, scientometrii měřící vědeckou produktivitu a kvalitu, text mining automaticky analyzující texty pro objevování vzorů, a vizualizaci vytvářející mapy vědy a síťové grafy spolupráce.

Informační chování vědců

Ellis model z roku 1989 identifikoval typické aktivity informačního chování vědců: Starting (začátek vyhledávání, často od známých zdrojů), Chaining (následování citací zpět a vpřed), Browsing (procházení časopisů a databází), Differentiating (rozlišování mezi různými zdroji podle kvality), Monitoring (sledování nových publikací v oboru), Extracting (systematické procházení konkrétních zdrojů).

Kuhlthau model informačního vyhledávacího procesu od Carol Kuhlthau z roku 1991 ukázal, že informační vyhledávání má emotivní rozměr. Proces zahrnuje šest fází: Iniciace (vágní povědomí o potřebě informace s nejistotou), Selekce (identifikace obecného tématu s optimismem), Explorace (hledání informací o tématu s konfuzí a frustrací), Formulace (zaměření tématu s jasností), Sběr (shromažďování relevantních informací s důvěrou), Prezentace (dokončení vyhledávání se spokojeností nebo zklamáním).

Faktory ovlivňující informační chování zahrnují individuální faktory (věk, zkušenosti, kognitivní styl, jazykové dovednosti), sociální faktory (disciplína, pracovní prostředí, spolupráce), technologické faktory (dostupnost technologií, digitální dovednosti) a kontextuální faktory (časový tlak, finanční omezení, institucionální podpora).

Současné výzvy informační podpory vědy

Informační přetížení představuje hlavní problém. Vědci čelí obrovskému množství informací. Podle některých odhadů se publikuje více než 2 miliony vědeckých článků ročně. Řešení zahrnuje vyspělejší vyhledávací algoritmy, recommender systémy, AI asistenty pro rešerše a lepší filtrování a prioritizaci.

Open Access versus tradiční publikování vytváří napětí mezi dvěma modely. Tradiční model znamená, že vydavatelé vlastní autorská práva a přístup je za předplatné. Open Access poskytuje bezplatný přístup pro všechny s různými modeli financování. Výhody Open Access zahrnují lepší dostupnost informací, rychlejší šíření poznatků a větší dopad výzkumu. Výzvy představuje financování pomocí article processing charges, kvalita s rizikem predatory journals a změna zavedených systémů.

Multimodální informace představují další výzvu. Věda už není jen o textu. Stále důležitější jsou data (raw data, datasets, databáze), software (kód, algoritmy, analytical workflows), vizualizace (grafy, mapy, interaktivní vizualizace) a multimedia (video, audio, 3D modely). Otázka je, jak tyto různé typy informací integrovat a zpřístupnit.

Globalizace a jazyková diverzita znamená, že věda je stále globálnější, ale anglictina dominuje. Výzvy zahrnují zajištění přístupu k vědeckým informacím v různých jazycích, reprezentaci různých kulturních perspektiv a spravedlivé zapojení vědců z rozvojových zemí.

Reprodukovatelnost a transparentnost vyžaduje, aby vědecká práce byla reprodukovatelná. To vyžaduje lepší dokumentaci metod a dat, sdílení kódu a analytical workflows, standardizované formáty a metadata a kulturní změnu směrem k otevřenosti.

Technologické trendy

Umělá inteligence v informační podpoře má současné aplikace v intelligent search (sémantické vyhledávání), automatické tagování a klasifikaci, detekci plagiarismu a peer review support. Budoucí možnosti zahrnují AI výzkumní asistenty, automatické generování hypotéz, predikci výzkumných trendů a personalizované doporučování.

Linked Data a sémantický web představuje vizi, kde jsou všechny vědecké informace propojené sémantickými odkazy. Výhody zahrnují lepší vyhledávání a automatické odvozování nových souvislostí. Výzvy představuje standardizace a komplexita implementace.

Blockchain pro vědu má potenciální aplikace v timestamping výzkumných výsledků, decentralizovaném peer review, transparentním financování výzkumu a ochraně duševního vlastnictví.

 

Proměna role knihoven a informačních profesionálů

Tradiční role knihoven zahrnovaly nákup a zpřístupnění informačních zdrojů, katalogizaci a organizaci informací, referenční služby a rešerše a vzdělávání uživatelů.

Nové role v digitálním věku zahrnují data management (pomoc s organizací a sdílením výzkumných dat), digitální kurátorství (dlouhodobé uchování digitálních objektů), scholarly communication (podporu open access a alternativních modelů publikování), research metrics (analýzu a interpretaci scientometrických údajů) a digital scholarship (podporu nových forem vědecké práce).

Budoucnost informační podpory vědy

Budoucnost bude formována trendy jako personalizace pomocí AI systémů, které se přizpůsobí individuálním potřebám, integrace různých typů informací do jednotných platforem, kolaborace a podpora týmové vědecké práce a udržitelnost s dlouhodobým financováním a technickou podporou.

5. Síť, činnost a interakce – význam a role pojmů v informační vědě

Věda o sítích: základní koncepty

Věda o sítích je interdisciplinární obor studující biologické, technologické a vědecké sítě. Využívá techniky a algoritmy vyvinuté v matematice, statistice, fyzice, sociologii a informatice.

Studium sítí zahrnuje biologické sítě jako síť stromů v lese spolupracující s houbami, technologické sítě jako internet nebo elektrické sítě, a vědecké sítě jako citační sítě nebo sítě spolupráce mezi výzkumníky.

Teorie má původ v matematice s teorií grafů a diskrétní matematikou a je relevantní pro efektivní design technologických sítí, vědeckých sítí a komunikačních sítí. Analýza sítí vytváří popisné modely, které mají popisovat stav například korespondenční komunikační sítě ve středověku, kde spojnice jsou dopisy a uzly jména lidí, kteří si dopisovali.

Modelování sítí vytváří procesní modely umožňující predikce a vhled do struktury a dynamiky sítí. Model má vždy nějakou teorii, kterou na daný fenomén a situaci aplikuje. Pokud je zvolen vhodný model, je možné predikovat například změny, na něž je potřeba se připravit. Síť není stabilní, mění se v čase.

Relevantní otázky informační vědy

Věda o sítích pomáhá odpovídat na klíčové otázky informační vědy: Jak zajistíme stabilitu a zabezpečení technologické infrastruktury internetu a www? Jaké vlastnosti sítí podporují nebo brání šíření a přístupu k informacím? Můžeme identifikovat nejrůznější faktory, které se podílejí na omezeních a bariérách.

Jaká je struktura vědeckých sítí, jak se vyvíjejí a jak mohou být využity k zefektivnění komunikace vědeckých poznatků? Je možné sledovat dynamiku vývoje vědy, identifikovat vlivné vědce nebo časopisy, což je užitečné i pro otázky akvizice v knihovnách a souvisí s impact faktorem a citačními databázemi.

Typy síťových struktur

Náhodné sítě představují první představu v historii, že sítě fungují náhodně. Například lidé se potkávají a tvoří si přátelství ve třídě způsobeno náhodou, s představou, že každý uzel má aspoň jednu hranu. Očekává se, že uzly se připojují náhodně – každý má stejnou šanci připojení k jinému uzlu. Každý uzel má v takové síti charakteristický počet vazeb, můžeme definovat charakteristickou škálu pro celou skupinu. Většina uzlů má stejný počet hran – charakteristická škála. Vazby jsou předpokládány jako silné a pevné.

Bezškálové sítě mají jiné vlastnosti. Slabé překlenující vazby mezi vzdálenými uzly představují můstky zkracující vzdálenost a slouží k přenosu informací mezi vzdálenými uzly. Propojují vzdálené uzly – například jeden člověk patří do dvou nesouvisejících skupin. Centrální uzly jsou zapojeny do mnoha shluků, spojují menší shluky, stmelují síť dohromady, předurčují topologii sítě a ovlivňují stabilitu a odolnost vůči chybám. V reálných sítích má většina uzlů málo hran, centrální uzly mají anomální počet hran a jsou vzácné, takže neexistuje typický uzel a chybí škála.

Mocninný zákon je matematický výraz, který určuje rozdělení počtu vazeb mezi uzly v bezškálových sítích.

Sítě malého světa mají strukturu, kde průměr hran uzlu roste nad kritickou hranici a vzniká hustá síť vazeb utvářející gigantickou pavučinu nebo shluk. Obrovské množství uzlů má malé vzdálenosti mezi nimi. Jsou to sítě s vysokým klastrovacím koeficientem a krátkou charakteristickou cestou mezi uzly.

Sociální sítě fungují podle principu šesti kroků. Sociální experiment ukázal, že vědec v USA poslal dopis, který se měl přeposílat dál, pak sledoval, jak dlouho bude trvat, než se rozšíří přes celé Spojené státy. Zabralo to 6 kroků. Mezi webovými stránkami je 16 až 17 kroků. Webů je víc než lidí, ale jsou lépe propojení prostřednictvím odkazů.

Analýza síťových vlastností

Stupeň uzlu (node degree) je počet hran připojených k uzlu, tedy počet nejbližších sousedů. Na základě toho můžeme určit, který z uzlů je nejvíce propojený.

Cesta (path) je počet uzlů, které jsou mezi zvolenými uzly, které chceme spojit. Měří se nejkratší cesta, cykly, dosažitelnost. Průměr měří velikost sítě – kolik hran musí být překonáno, abychom spojili nejvzdálenější pár uzlů.

Hustota je poměr počtu hran v grafu k celkovému počtu uzlů na druhou.

Blízkost (centrality) závisí na stupni uzlu a vzdálenosti uzlu ke všem ostatním.

Eigenvector se snaží najít nejcentrálnější uzel v celé síti a využívá se i v citační analýze. V případě citačních sítí to znamená nejcitovanější autor.

Betweenness centrality je pozice uzlu v síti, tok který je schopný kontrolovat, počet nejkratších cest mezi párovými uzly, které procházejí daným uzlem – tedy tok informací mezi uzly.

Topologie sítí

Uzly se seskupují určitým způsobem. Stromy jsou hierarchický graf, kde uzel potomek má jeden uzel rodiče a kořenový uzel, ze kterého povstává celá struktura.

Multigraf jsou grafy obsahující smyčky (hrana spojuje uzel sám se sebou) a více hran (dva uzly spojené více vazbami).

Sítě s váhami zachycují sílu a frekvenci interakcí, například velikost traffic mezi internetovými routery nebo počet pasažérů používajících různé aerolinky.

Stabilita a evoluce sítí

Stabilita ukazuje, že většina komplexních sítí v přírodě je bezškálových. Poruchy v bezškálových sítích mají pravděpodobnost postihu stejnou pro všechny uzly, takže většinou jsou postiženy malé uzly, kterých je víc než centrálních. Sítě se nerozpadají ani při poruše jednoho centra, ostatní centra drží síť pohromadě a informace se šíří stále stejně efektivně.

Možnost poškození představuje cílená likvidace center, která vede k fragmentaci sítě a kolapsu sítě. Náhodné sítě vyžadují odstranění velkého množství uzlů. Bezškálové sítě vyžadují odstranění malého množství center. Jsou necitlivé k poruchám, ale zranitelné cíleným útokům.

Evoluce ukazuje, že sítě nejsou statické, ale dynamické a rozrůstají se o nové uzly. Připojování uzlů se neřídí strukturním narůstáním se stejnou pravděpodobností připojení, ale preferenčním připojováním, kde jsou preferovány uzly s více vazbami. Například hodně citovaný člověk bude hodně citovaný i v nových článcích.

Aplikace v informační vědě

Virtuální sítě spolupráce představují snahu o spolupráci vědců a vytvoření efektivní sítě s vznikem kolaboratoře. Kolaboratoř neboli virtuální výzkumné prostředí je laboratoř beze zdí, umožňující výzkum bez geografických omezení.

Zahrnuje interakci s kolegy, vzdálený přístup k přístrojové technice, sdílení dat a výpočetních zdrojů, zpřístupnění informací v digitálních knihovnách. Sociální vztahy tvoří kolaboratoř stejně jako její nástroje. Významná role při inovacích zahrnuje důvěrné vztahy, sdílení novinek a informací, větší podíl na rozhodování a moci.

Senzorické sítě ve vědě představují vestavěné senzorické sítě studující růst rostlin, vzorce větru a počasí, chemické a biologické působení, aktivity zvířat, zdroje kontaminace půdy a vody. Senzory můžeme propojovat a sbírat mnohem více informací.

Shromažďováno je obrovské množství dat přesahující možnosti ručního zpracování. Například růst kořenů s kamerou v plastové trubici v zemi odesílá data do senzorické sítě až 60 000 obrázků za den (10 GB). Data management je starostí výzkumníků, chybí vhodný aparát. Sdílení probíhá osobními kontakty, neexistují formální prostředky na propojení dat s publikacemi.

Komponenty internetu jako síťové struktury

Internet jako takový se skládá z několika větších kontinentů. Centrální je velmi dobře propojený. Vstupní odkazují do centrálního, ale odtamtud zpět odkazy nejsou. Výstupní existují také. Izolované ostrůvky představují například hackerské komunity, které si vytvořily svou síť.

Prohledávač funguje pomocí robotů pro indexaci odkazů. Pokud začne v centrálním kontinentu, nedostane se do vstupního kontinentu. Co jsme schopni na internetu najít, je jen malinká část toho, co na internetu je.

6. Informace a politika vědy

Politický rozměr informačních technologií

Informace a technologie nejsou politicky neutrální. Každá technologie obsahuje určité hodnoty a předpoklady o tom, jak by společnost měla fungovat. Politika vědy zahrnuje rozhodování o financování výzkumu, prioritách vědeckých oblastí, regulaci výzkumu a využití vědeckých poznatků pro politická rozhodnutí.

Nový politický prostor

Vzniká nový politický prostor mezi různými přístupy k technologiím – od odmítání až po úplné přijetí. Tento prostor se pohybuje mezi biopolitikou a pozicemi od neoluddismu po extropianismus a transhumanismus.

Neoluddismus

Neoluddismus má kořeny v historickém hnutí luddismus, které vzniklo v hrabství Nottingham, kde žili tradiční cechy tkalců s výlučným postavením. Dodávali své výrobky dvoru, ale došlo k zavedení drahých tkalcovských stavů v továrnách a ekonomické politice volného trhu.

Ned Ludd není historicky doloženou postavou a ničení strojů probíhalo v letech 1812 až 1813. Neoludité se začali bouřit, dělníci rebelovali, ale jejich činnost byla potlačena. Je to v historii se opakující odpověď na rychlé, vymykající se změny zapříčiněné technologickým pokrokem.

Současný neoluddismus zahrnuje často křesťany, ekology a Zelené, některá feministická hnutí, současnou sociální demokracii prosazující omezení vývoje technologií a posílení kontrol vývoje. Projevuje se vědeckým ničením počítačů, odmítáním a zákazy vyvíjení technologií.

Představitelé jako Fukuyama, Roszak, H. Marcuse, Bill Joy nebo anarcholuddita Ted Kaczynski s Unabombermanifestem. Ted Kaczynski posílal balíčky s výbušninami různým výrazným politickým osobnostem a vědcům, vydal manifest o tom, jak nás ničí technologie a náš svět se blíží ke konci.

Extropianismus

Extropianismus představuje jakýsi protiklad k entropii. Max More je zakladatel Extropy institutu. Extropie podle Toma Bella je proces zvyšující rozsah inteligence živých i organizačních systémů, funkčního pořádku, životaschopnosti, energie, života, zkušeností a kapacita a hnací síla vylepšení a růstu.

Je to mix transhumanismu a anarcho-kapitalismu a libertariánství. Ekologický ekooptimismus – například postoj, že ekologický problém můžeme vyřešit kvalitní technologií. Praktický optimismus sebezdokonalování zahrnuje editaci genetického kódu, kyborgizaci, navyšování inteligence a schopností. Dobrovolné testování technologií sami na sobě – existuje celá řada technologických laboratoří, kde podobní nadšenci testují nové technologické možnosti řešení problémů.

Transhumanismus

Transhumanismus je hnutí, kde se angažují filozofové, vědci, umělci – lidé volající po kritickém přístupu, nejen optimistický pohled na technologie, ale kritičtější zkoumání technologií. Založili ho diplomat F.M. Esfandiary, Nick Bostrom, Ray Kurzweil.

Teoretický směr promýšlí celou řadu témat, otázky o vývoji civilizace, například Fermiho paradox – matematická pravděpodobnost života jinde ve vesmíru je skutečně vysoká, proč tedy nevidíme žádné její stopy?

Praktický směr má zájem o konkrétní témata a otázky, zájem o širší spolupráci na řešení globálních problémů jako inteligentní civilizace, vznikají návrhy na vytváření nových užitečných technologií.

Metodologický směr je pro přenos vědění a komunikaci, volný trh s vědeckými projekty, teoriemi, burza idejí a předpovědí.

Klíčové technologie a koncepty

Technologická singularita znamená, že se spojíme se stroji a stroje dokážou řešit problémy s obrovskou rychlostí. Digitalizujeme se a náš život na zemi se hodně prodlouží. Zhroucení času, jak ho vnímáme dnes, odolnost vůči nepříznivému eko-prostředí.

Nanotechnologie umožňují manipulaci s materiály na atomární úrovni. Biotechnologie vylepšují jiné než lidské organizmy, zvyšují odolnost rostlin. Informační technologie zahrnují hardware a software. Umělá inteligence a robotika – například riziko, že nad námi převezme nadvládu umělá inteligence se řeší tak, že by se člověk měl vyvíjet a propojovat s technologiemi – kyborgizace.

Virtuální realita a simulace představují snahu simulovat vznik života, studium života na základě uměle vytvořených smyslů. Uploading neboli digitalizace mysli. Kryonika znamená zmražování člověka, hybernace – v USA existuje celá řada klinik, kde se lidé nechávají zmražovat.

Kyborgizace a prodlužování života možná až nesmrtelnost – identifikují se geny, které jsou za smrt zodpovědné, možnost je deaktivovat. Expanze lidstva do vesmíru a sociální důsledky technologického rozvoje.

Rychlost přijímání technologií

Přijímání technologií se velmi zrychlilo. Vzpomeňme, jak dlouho kdysi trvalo, než byl knihtisk všeobecně přijat jako etablovaná technologie – 100 let. Později dynamo – osvojení trvalo 20 let. Telefonování na veřejnosti – dříve nepřijatelné, dnes naprostá samozřejmost. Jak rychle budou jednou přijaty bioimplantáty?

Terminologické rozlišení

Rozdíl mezi robotem, androidem a kyborgem: Android je robot snažící se napodobit člověka. Robot původně označoval také androida v Čapkově díle, dnes je pojem širší. Kyborg je bioorganismus zdokonalený technologiemi, zahrnuje i kardiostimulátor, naslouchátka, očkování, brýle. Lidstvo je vlastně už dávno kyborgizované.

Globální mozek

Globální mozek je metafora zahrnující několik přístupů. Kolektivní inteligentní síť propojující lidstvo. Součástí jsou komunikační kanály, počítače a znalostní databáze. Kolektivní interakce mezi subsystémem lidí a strojů schopna řešit problémy, rozhodovat, objevovat nové myšlenky a řešení globálních problémů.

Původ ideje je velmi starý. Podle zdroje inspirace rozlišujeme:

Organicismus – GB je důsledkem vývoje sociálního organismu. Společnost je podobná organismu – organizace odpovídá orgánům, zažívací systém továrny, dopravní infrastruktura odpovídá krevnímu systému. Myšlenka je známá od Aristotela.

Encyklopedisté – GB je univerzálním znalostním systémem. P. Otlet řešil problém shromažďování a organizace celosvětových znalostí, strukturovaný systém propojený odkazy připomínající hypertext. V. Bush s ideou hypermédií představoval shluky informací spojených asociativními odkazy.

Emergentismus – GB je emergentním stupněm vědomí. Duchovní aspekty GB, stav vyššího vědomí, kdy lidé ztrácejí oddělenost a subjektivitu a spojují se v celek lidstva, sjednocení se světem, Bohem, Tao.

Evoluční kybernetika

Evoluční kybernetika má předpoklad vzniku GB podle většiny koncepcí s progresivní evolucí k vyšším stupňům komplexity. Evoluční kybernetika je integrace Darwinovské logiky variací a selekce s kybernetickou analýzou emergentních úrovní.

Koncept metasystémového přechodu představuje vývoj vyššího stupně kontroly a poznání – jedna buňka vedoucí k mnohobuněčným organizmům, jedinec vedoucí ke společnosti.

Scientometrie jako nástroj politiky vědy

Scientometrie se zabývá měřením vstupů a výstupů ve vědě pomocí kvantitativních metod. “In science, the quantity and quality are correlated” podle Dennise z roku 1954.

Zájem o scientometrii je aktuálně hodnocení vědy VaVaI pro rozdělování peněz. Evaluace a měření vědy, respektive vědecké komunikace. Struktura věd. Podpora výzkumu. Identifikace špičkových institucí, autorů, časopisů. Může sloužit i k porovnávání jednotlivých zemí, jak si v určitých oblastech stojí.

Pozice scientometrie

Scientometrie měří vstupy a výstupy neboli dokumenty a publikace ve vědě. Bibliometrie měří dokumenty a publikace obecně, ne nutně vědecké výstupy. Informetrie buď měří informace a jejich tok, nebo informetrics nově user data. Scientometrie a bibliometrie se plnohodnotně zaměňuje.

Historie a vývoj scientometrie

Zakladatelé Derek J. de Solla Price a Eugene Garfield. 1955 Impact factor, 1958 založení Institute for Scientific Information Philadelphia, 1961/1963 Science Citation Index. 1990 International society for Scientometrics and Informetrics ISSI. 2004 Scopus, Google Scholar Beta. 2005 H-Index nový významný indikátoru mimo Impact factor.

Citační a publikační analýzy

Vědecká komunikace je vzájemně propojená síť. Formální znak nebo indikátor užití informace je reference nebo citace. Publikační analýza studuje kvantitu publikací podle oblasti, časové periody, elementu instituce nebo autor, typu literatury.

Citační analýza obsahuje publikační analýzu plus citace, takže počet citací dokumentu plus vztahy dokumentů. Výsledky citační analýz hovoří o výkonnosti vědy, odborné kvalitě, vlivu a dopadu.

Klíčové indikátory

Hirschův index (h-index) od Jorge Hirsch z roku 2005 byl velmi rychle uznán vědeckou komunitou. h počet publikací, které jsou h-krát nebo vícekrát citovány. Řeší problém mikro a střední úrovně evaluace bibliometrie.

Journal Impact Factor vyjadřuje impakt individuálních časopisů podle toho, jak byly průměrně citovány ve 2 předchozích letech. Je kontroverzní, protože hodnotí časopis, nikoliv článek či autory.

G-index od Leo Egghe je nejvyšší počet g publikací, které dohromady získaly g² nebo více citací. Umožňuje rozlišit více skupinu výkonných autorů.

Omezení scientometrie

Identifikace měřených elementů, datová základna a excerpce, časová perioda, citation patterns. Konkrétně například autocitace, spoluautorství, nemožné srovnání mezi disciplínami, negativní citace. Hlavní riziko je zneužití jako náhradního evaluačního nástroje.

Závěr

Informační vědy představují komplexní, transdisciplinární obor, který se neustále vyvíjí a přizpůsobuje rychle se měnícímu technologickému a sociálnímu prostředí. Od základních otázek o tom, jak lidé interagují s informacemi, přes technologické aspekty socializace technologií, roli dat ve vědě, až po komplexní otázky síťových struktur, politiky vědy a budoucnosti lidské civilizace v technologickém věku.

Úspěch v této oblasti vyžaduje pochopení lidského chování, designového myšlení, historického kontextu, technologických trendů a schopnost integrovat různé perspektivy k řešení komplexních výzev informační společnosti. Informační vědy tak stojí na křižovatce humanitních, sociálních a technických věd a poskytují nástroje pro pochopení a formování naší digitální budoucnosti.

 

Dobrý den, jsem datová novinářka a věnuji se tomu, co považuju za službu veřejnosti – zjišťování a ověřování informací, ale také zpřístupňování složitých informací prostřednictvím vizualizací a analýz. Maturovala jsem kdysi z češtiny, angličtiny, biologie a chemie, což ukazuje, že jsem vždycky tíhla k propojování humanitních a přírodních věd. A podobně jako biochemie propojuje biologii a chemii na společném rozhraní disciplín, informační vědy překračují toto pouhé mezioborové spojení – jdou ještě dál. Nepracují pouze interdisciplinárně, kdy se dva obory setkají na společném tématu, ale transdisciplinárně – to znamená, že vytvářejí zcela nové rámce poznání, které přesahují původní disciplíny a vnášejí novou epistemologii, tedy způsob poznávání a kritéria určování pravdivosti a platnosti poznatků.

Například v oblasti digitálních médií a žurnalistiky dnes neřešíme jen to, zda jsou informace pravdivé, ale i to, jak jsou produkovány, čími prostředky, jaké zájmy reprezentují a jakým způsobem utvářejí veřejné mínění – tedy nikoli jen validitu obsahu, ale i jeho kontext, technologii a důsledky.

Obdobně transdisciplinární je i datová žurnalistika, které se věnuju – vznikla jako nový obor, který v sobě spojuje prvky žurnalistiky, programování a vizualizační grafiky. Nestojí pouze na jejich průniku, ale na jejich skutečném propojení do nové praxe a metodologie. Právě tato schopnost integrovat různorodé přístupy – technické, společenské i estetické – je podle mě jedním z klíčových přínosů transdisciplinarity v informačních vědách i v mé vlastní práci.

Například když analyzujeme volební výsledky, neřešíme pouze výpočty či modely – musíme znát i kontext dané společnosti, fungování politických institucí, média a zároveň umět výsledek předat srozumitelně a vizuálně přístupně.

Koho by napadlo, že budu jednou jako novinářka – což byl donedávna chápáno jako ryze humanitní obor – pracovat s nástroji jako Git nebo GitHub, které pocházejí z vývojářského prostředí. Přitom dnes je běžné, že své články s vizualizacemi zaznamenávám v kódu pomocí Markdownu – což je značkovací jazyk pro jednoduché formátování textu, který umožňuje jasně strukturovat dokumenty a zároveň je přenositelný mezi různými systémy. Tyto technologie dnes nejsou výlučně doménou programátorů – staly se součástí moderní žurnalistické praxe, a to i díky tomu, že informační vědy umožnily pochopit jejich význam nejen technicky, ale i kulturně a společensky.

Navíc se do novinářské praxe přenesly i některé konkrétní pracovní postupy z informatiky a dalších technických disciplín – například verzování. To je proces, při kterém se zaznamenávají a uchovávají různé verze dokumentu nebo souboru, a využívá se jak v redakčních systémech (například WordPress umožňuje pracovat s předchozími verzemi článku), tak v oblasti datových vizualizací. Tam je běžné, že se aktualizuje samotný graf, zatímco doprovodný text zůstává nezměněn, nebo se jen doplní úvodním odstavcem o aktuálním kontextu – například když médium zveřejní starší rozhovor jako vzpomínku na právě zesnulou osobnost. Šířeji se verzování uplatňuje v rámci redakčních publikačních systémů i k zaznamenávání toho, kdo a kdy provedl v článku konkrétní změny, což zvyšuje zpětnou dohledatelnost a redakční odpovědnost. Tato práce s verzemi je příkladem technologické inspirace, která zároveň slouží ke zvýšení transparentnosti, sledovatelnosti změn a důvěryhodnosti informačních produktů.

Datovou žurnalistiku jsem objevila před více než deseti lety na Bangor University a od té doby se tomuhle oboru věnuji přesně proto, že propojuje to, co mě vždycky bavilo (a neskromně snad mohu říci, že i šlo): humanitní, technické a přírodní obory, v mém případě jazyky, informatika a matematika.

Moje profesní motto říká: „Tvrdí-li někdo, že venku prší, a tvrdí-li někdo jiný, že svítí slunce, novinář nemá slepě citovat oba. Má otevřít okno a ověřit, co se skutečně děje.“

A právě toto motto přesně vystihuje to, co dnes řeší i informační vědy – tedy jak ve společnosti vzniká poznání, jaké jsou epistemické autority a jak vytvářet důvěryhodné informační struktury. V informační vědě se tento přístup propojuje s konceptem data epistemology – epistemologie dat, která se ptá, kdo určuje, co je považováno za platné poznání, jaká data mají autoritu a jak jsou strukturována. Nestačí pouze předat informaci – je nutné ji zasadit do kontextu, ověřit její původ a rozpoznat, jaké zájmy nebo předpoklady do ní mohou být vetkány. Podobně i kritické informační studia upozorňují na nebezpečí tzv. falešné objektivity – tedy tendence postavit proti sobě dva protikladné výroky jako rovnocenné, bez ohledu na jejich empirickou oporu.

Transdisciplinarita jako odpověď na komplexní problémy


Informační vědy vznikly jako transdisciplinární obor právě proto, že problémy kolem informací nelze vyřešit z pohledu jediné disciplíny. Jako datová novinářka to vidím každý den – když ověřujeme údaje o volbách, nepotřebujeme jen statistické dovednosti, ale také porozumění tomu, jak lidé vnímají data, jak fungují politické instituce, jaké technologie ovlivňují šíření informací, a hlavně – jak můj článek ovlivní veřejnou debatu.

Tento transdisciplinární přístup se projevuje už v samotné definici toho, co je informace. Podle Jiřího Stodoly není informace jen technický přenos dat, jak ji chápal Shannon, ale něco, co získává význam teprve v kontextu – sociálním, kulturním, politickém. Když píšu o výsledcích průzkumu popularity politických stran, stejná čísla mohou být pro různé čtenáře různými informacemi – podle toho, v jakém kontextu je čtou a jaké mají předchozí znalosti. Přesně to mi umožňuje lépe zohlednit studium informačních věd.

Od technologické neutrality k sociální odpovědnosti


Možná nejdůležitější posun v informačních vědách je překonání mýtu o technologické neutralitě. Dříve se věřilo, že technologie jsou neutrální nástroje – počítače jen zpracovávají data, algoritmy jen optimalizují výsledky. Dnes víme, že každá technologie v sobě nese hodnoty svých tvůrců a reprodukuje mocenské vztahy ve společnosti.

Tento proces socializace technologií vidím velmi konkrétně ve své práci. Když vyvíjím volební kalkulačky, každé rozhodnutí o designu má politické důsledky: Které otázky zařadím? Jak formuluji odpovědi? Jakým způsobem vizualizuji výsledky? Tyto zdánlivě technické volby určují, jak lidé porozumí politickému spektru – a možná i jak budou volit.

Podobně když analyzujeme data – výběr metrik, způsob kategorizace, volba vizualizace – to všechno ovlivňuje, jaký příběh data vyprávějí. Nejsou to jen “holá fakta”, ale interpretace reality, která může posilovat nebo zpochybňovat určité narativy. Například prezentace míry inflace v meziročním nebo meziměsíčním srovnání může dramaticky změnit dojem, který si čtenář odnese.

Data jako společenský konstrukt


Role dat ve vědě i ve společnosti se dramaticky změnila. Už nejde jen o to data sbírat a analyzovat, ale kriticky reflektovat jejich původ, kontext a možné zkreslení. Geoffrey Bowker a Susan Leigh Star ve své práci o data epistemology ukazují, že data nikdy nejsou neutrální záznam reality – vždy jsou výsledkem určitých rozhodnutí o tom, co měřit, jak kategorizovat, co považovat za relevantní.

Jako novinářka pracující s daty to vnímám jako klíčovou profesní odpovědnost. Když například analyzujeme statistiky o kriminalitě, musím se ptát: Kdo a jak tato data sbíral? Jaké případy se do statistik dostaly – a jaké byly odfiltrovány? Jaká kategorizace byla použita? Tyto otázky nejsou jen technické, ale mají přímý dopad na to, jak společnost vnímá bezpečnost, spravedlnost či rovnost před zákonem.

Informační infrastruktura jako veřejný statek


Christine Borgman ve své práci ukazuje, že informační infrastruktura není jen technická záležitost, ale také politická. Způsob, jakým organizujeme přístup k informacím, určuje, kdo může participovat na veřejné debatě, kdo má možnost ověřovat fakta, kdo může přispívat k vědeckému poznání.

To vidím velmi konkrétně v rozdílech mezi různými zeměmi. Ve Finsku mají občané přístup k detailním datům o veřejných financích, což umožňuje kvalitní investigativní žurnalistiku. V jiných zemích jsou tytéž informace buď zpoplatněné, nebo prakticky nedostupné. I u nás často narážíme při žádostech podle zákona o svobodném přístupu k informacím na formální nebo časové obstrukce.

Sítě, aktéři a šíření informací


Bruno Latour v actor-network theory ukazuje, že informace nevznikají izolovaně, ale v síti vztahů mezi různými aktéry – lidmi, technologiemi, institucemi. To je zásadní pro pochopení toho, jak se šíří dezinformace, ale i jak budovat odolnější informační ekosystémy.

Když sledujeme, jak se šíří fake news o volbách, vidím, že nejde jen o „špatné“ informace versus „dobré“. Jde o komplexní síť aktérů – od tvůrců dezinformací přes algoritmy sociálních sítí až po kognitivní zkreslení uživatelů. Efektivní fact-checking proto není jen o ověření faktů, ale o pochopení celé této sítě a intervenci na různých úrovních.

Politika informací jako politika demokracie


Otázky kolem informací jsou vždy politické – nejde jen o efektivitu nebo technickou kvalitu, ale o hodnoty, moc a spravedlnost. Kdo rozhoduje o tom, co je považováno za důvěryhodný zdroj? Jak fungují algoritmy, které určují, jaké informace lidé uvidí? Kdo má přístup k nástrojům pro ověřování faktů?

Informační vědy mi dávají konceptuální rámec pro pochopení toho, že novinářská práce není jen o obsahu, ale i o infrastruktuře – o tom, jakými kanály se informace šíří, jak jsou interpretovány a jak ovlivňují veřejnou debatu. A hlavně o tom, jak můžu přispět k tomu, aby informační prostředí sloužilo demokratickým hodnotám a ne jen komerčním nebo mocenským zájmům.

Zpět na předmět